Определение искусственной нейронной сети.

Определение:

Искусственная нейронная сеть – множество нейронов соединенных между собой т.о., что: 1) ряд нейронов отмечены, как входные, а некоторые другие как выходные, 2) активационные функции считаются неизменными в работе сети, а веса являются параметрами сети и корректируются.

Смысл работы НС заключается в преобразовании некоторого входного вектора Х в выходной Y требуемый. Причем преобразования регулируется путем корректировки весов.

Модели нс.

1. Однослойный персептрон Розенблата

2. Многослойный персептрон

U_j^k – выходные сигналы k-го слоя.

Понятие обучения.

Под обучением понимается целенаправленное изменение (подстройка) весовых коэффициентов синаптических связей НС из условий достижения требуемых характеристик сети, т.е. желаемая реакция на входные воздействия.

Базовый принцип обучения – это минимизация эмпирической ошибки между желаемым выходом сети и фактической реакцией сети.

Процедура обучения.

1. Создание обучающих выборок (задачник)

Ω = {<x₁, D₁>, < x₂, D₂>, …, < x_R, D_R>}

x – вектор входов;

D – вектор эталонов (желаемых выходов).

2. Осуществляется выбор очередной пары из задачника (x_i, D_i).

3. Подается x_i на вход нейросети.

4. Вычисляется разница между желаемым и фактическим выходом сети:

ε = D_i - Y_i^факт

5. Производится корректировка Δω_ij^k = f(ε) c тем чтобы ε минимизировать.

6. Шаги 2 – 5 повторяются многократно до тех пор, пока ошибка ε не станет равна некоторой допустимой величине ошибки. В этом случае сеть называется натренированной, и теперь обученная сеть имеет возможность дать правильный ответ при подаче на вход нового вектора х, которого не было ранее в обучающей выборке. Эта способность соответствует свойству обобщения НС.

Лекция 7.

Схема, иллюстрирующая процесс обучения нейросети: